ML 장 자연어 처리

자연어 처리(NLP)에는 기계 학습 모델을 사용하여 텍스트 및 언어 작업이 포함됩니다. NLP의 목표는 기계가 말과 글을 이해하도록 가르치는 것입니다. 예를 들어, iPhone 또는 Android 기기에 무언가를 지시하면 음성이 텍스트로 변환되는데, 이것이 바로 NLP 알고리즘입니다.

NLP를 사용하여 텍스트 리뷰를 분석하고 그것이 긍정적인지 부정적인지 예측할 수도 있습니다. NLP는 기사를 분류하거나 책의 장르를 결정할 수 있습니다. 기계 번역기나 음성 인식 시스템을 만드는 데에도 사용할 수 있습니다. 이러한 경우 분류 알고리즘은 언어를 식별하는 데 도움이 됩니다. 대부분의 NLP 알고리즘은 로지스틱 회귀, Naive Bayes, CART(의사결정 트리 모델), 최대 엔트로피(의사결정 트리와도 관련됨) 및 Hidden Markov 모델(Markov 프로세스 기반)을 포함한 분류 모델입니다.

시작 전 작은 통찰력: 벤 다이어그램 왼쪽에는 NLP를 나타내는 녹색이 있습니다. 오른쪽에는 DL을 나타내는 파란색이 있습니다. 교차로에는 DNLP가 있습니다. DNLP에는 Seq2Seq라는 하위 섹션이 있습니다. Sequence to Sequence는 현재 NLP를 위한 가장 최첨단의 강력한 모델입니다. 그러나 이 블로그에서는 seq2seq에 대해 논의하지 않습니다. Bag-of-words 분류를 기본적으로 다루겠습니다.

이 부분에서는 다음을 수행하는 방법을 이해하고 배우게 됩니다.

• 기계 학습 모델에 맞게 텍스트를 정리하세요.
• Bag of Words 모델을 만듭니다.
• 이 Bag of Words 모델에 기계 학습 모델을 적용합니다. 우리가 집중할 내용은 다음과 같습니다. 참고: Seq2Seq, 챗봇 또는 심층 NLP에 대해서는 논의하지 않습니다. 제가 사용한 자료는 DL이 포함된 NLP에서 나온 것이므로 DL 부분은 제외하겠습니다.

전체 블로그 읽기: ML 7장: 자연어 처리

위 내용은 ML 장 자연어 처리의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!